En este estudio, se diseñó e implementó un modelo de detección inteligente basado en aprendizaje profundo para detectar rápidamente plagas y enfermedades en el algodón. El modelo integra la tecnología Transformer de vanguardia y grafos de conocimiento, mejorando efectivamente la precisión en el reconocimiento de características de plagas y enfermedades. Con la aplicación de la tecnología de computación en el borde, se facilita el procesamiento eficiente de datos y el análisis de inferencia en plataformas móviles. Los resultados experimentales indican que el método propuesto logró una tasa de precisión del 0.94, un promedio de precisión (mAP) de 0.95 y cuadros por segundo (FPS) de 49.7. En comparación con modelos avanzados existentes como YOLOv8 y RetinaNet, se observaron mejoras en la precisión que van desde el 3% al 13% y en mAP del 4% al 14%, además de un aumento significativo en la velocidad de procesamiento, asegurando una capacidad de respuesta rápida en aplicaciones prácticas. Las futuras direcciones de investigación se comprometen a expandir la diversidad y escala de los conjuntos de datos, optimizar la eficiencia de la utilización de recursos informáticos y mejorar la velocidad de inferencia del modelo en diversos dispositivos. Además, se está considerando la integración de datos de sensores ambientales, como temperatura y humedad, para construir un sistema de detección de plagas y enfermedades inteligente más completo y preciso.